[论文解读] Leveraging Deep Learning and Xception Architecture for High-Accuracy MRI Classification in Alzheimer Diagnosis

Shaojie Li, Haichen Qu+4 more|arXiv (Cornell University)|Mar 24, 2024

Brain Tumor Detection and Classification被引用 9

一句话总结

使用基于预训练的 Xception 的 CNN 与 MRI 数据，在四类阿尔茨海默病 MRI 分级中达到 99.6% 的准确度。展示各类别的高精确度、召回率和 F1 分数。

ABSTRACT

Exploring the application of deep learning technologies in the field of medical diagnostics, Magnetic Resonance Imaging (MRI) provides a unique perspective for observing and diagnosing complex neurodegenerative diseases such as Alzheimer Disease (AD). With advancements in deep learning, particularly in Convolutional Neural Networks (CNNs) and the Xception network architecture, we are now able to analyze and classify vast amounts of MRI data with unprecedented accuracy. The progress of this technology not only enhances our understanding of brain structural changes but also opens up new avenues for monitoring disease progression through non-invasive means and potentially allows for precise diagnosis in the early stages of the disease. This study aims to classify MRI images using deep learning models to identify different stages of Alzheimer Disease through a series of innovative data processing and model construction steps. Our experimental results show that the deep learning framework based on the Xception model achieved a 99.6% accuracy rate in the multi-class MRI image classification task, demonstrating its potential application value in assistive diagnosis. Future research will focus on expanding the dataset, improving model interpretability, and clinical validation to further promote the application of deep learning technology in the medical field, with the hope of bringing earlier diagnosis and more personalized treatment plans to Alzheimer Disease patients.

研究动机与目标

• 研究深度学习框架是否能够将 MRI 图像准确分类到阿尔茨海默病阶段类别。
• 利用 Xception 架构作为特征提取器以提升分类性能。
• 通过数据增强、正则化和迁移学习技术评估模型的鲁棒性。

提出的方法

• 构建一个自定义的 CNN，使用预训练的 Xception 作为特征提取器（include_top=False，pooling='max'）。
• 添加 Flatten、两个 Dropout 层（0.3 和 0.25）、一个具有 ReLU 的 128 神经元的 Dense 层，以及用于四个类别的 softmax 输出。
• 采用数据增强、Adam 优化器和类别交叉熵损失进行训练。
• 使用早停和模型检查点；用精确度、召回率和 F1 分数进行评估。

实验结果

研究问题

• RQ1 基于 Xception 的架构是否能够在多类 MRI 阿尔茨海默病分期中实现高准确率？
• RQ2 迁移学习和数据增强对基于 MRI 的 AD 分类性能有什么影响？
• RQ3 模型在各痴呆阶段之间的精确度与召回率的平衡程度如何？

主要发现

• 该模型在测试集上实现了 99.6% 的总体准确度。
• 各类别的精确度和召回率在 Mild Demented 和 Moderate Demented 类为 1.00，在 Non Demented 和 Very Mild Demented 类为 0.99。
• F1 分数在 Mild Demented 和 Moderate Demented 为 1.00，在 Non Demented 和 Very Mild Demented 为 0.99。
• 表 1 显示按类别的精确度、召回率、F1 分数和支持值（Mild Demented: 2693; Moderate Demented: 1977; Non Demented: 2811; Very Mild Demented: 2715）。
• 指标的宏平均和加权平均接近 1，表示各类别之间的性能平衡。